본 논문은 훈련된 모델에서 특정 데이터의 영향을 제거하여 개인 정보 보호 규정을 준수하는 것을 목표로 하는 머신 언러닝을 다룹니다. 특히, 기존 방법들이 원래 훈련 데이터 세트에 대한 완전한 접근을 가정하는 비현실적인 상황에서, 소량의 유지된 데이터만 사용하고 잊혀질 데이터 세트에는 접근할 수 없는, 더욱 현실적인 환경인 few-shot zero-glance 설정을 해결합니다. GFOES라는 새로운 프레임워크를 제안하며, 이는 Generative Feedback Network (GFN)과 2단계 미세 조정 절차로 구성됩니다. GFN은 Optimal Erasure Samples (OES)를 합성하여 대상 클래스에서 높은 손실을 유발함으로써, 원래의 잊혀질 데이터 없이도 모델이 클래스별 지식을 잊도록 하며, 유지된 클래스에 대한 성능을 보존합니다. 2단계 미세 조정 절차는 첫 번째 단계에서 공격적인 잊기를 가능하게 하고, 두 번째 단계에서 유틸리티를 복원합니다. 세 개의 이미지 분류 데이터 세트에 대한 실험 결과, GFOES는 logit 및 표현 수준에서 효과적인 잊기를 달성하며, 원래 데이터의 5%만 사용하여 강력한 성능을 유지합니다. 본 프레임워크는 데이터 제약 조건 하에서 개인 정보 보호 머신 러닝을 위한 실용적이고 확장 가능한 솔루션을 제공합니다.
